欧洲新闻网 | 中国 | 国际 | 社会 | 娱乐 | 时尚 | 民生 | 科技 | 旅游 | 体育 | 财经 | 健康 | 文化 | 艺术 | 人物 | 家居 | 公益 | 视频 | 华人
投稿邮箱:uscntv@outlook.com
主页 > 财经 > 科技 > 正文

深势科技一年内完成三轮融资,核心团队去年获“超算界诺奖”

2021-08-07 17:29  中国新闻网   - 

澎湃新闻获悉,8月5日,北京深势科技有限公司(下称“深势科技”)宣布完成数千万美元A轮融资,高瓴创投领投,经纬中国、百图生科跟投。值得一提的是,这是这家资本市场炙手可热的公司在近一年内连续完成的第三轮融资。
 
此前的2020年7月,该公司完成了由百度风投领投,唯猎资本和盛景嘉成跟投的天使轮融资。随后的2021年3月,深势科技完成了由元璟资本领投,清流资本跟投的Pre-A轮融资。
 
公司官网介绍,深势科技成立于2019年,致力于以新一代分子模拟技术解决微观尺度工业设计难题,以打造切实服务于药企、材料商和科研机构的模拟研发平台为主要业务方向。深势科技称,公司具有强大的科研与产业落地能力。其新一代分子模拟算法在保持量子力学精度的基础上,将分子动力学的计算速度提升了至少五个数量级,且对算力的需求与体系的原子数量呈线性依赖;结合高性能计算,能够对数十亿原子规模的体系进行量子力学精度的计算模拟。
 
令人关注的是,深势科技核心团队由中国科学院院士鄂维南(同时也是深势科技董事及首席科学顾问)等人领衔,主要来自北京大学、普林斯顿大学、约翰霍普金斯大学、复旦大学、中科院上海药物研究所、阿里、百度等世界一流高校、科研机构和企业,科研队伍由物理建模、数值算法、机器学习、高性能计算及药物和材料计算等多个领域的数十名优秀青年科学家构成。
 
该公司联合创始人兼首席科学家为张林峰博士。张林峰由北京大学元培学院交叉学科培养,在普林斯顿大学博士期间师从应用数学和化学系两位院士,主要研究方向包括统计物理、分子模拟和机器学习,及其在化学、生物、材料等方向的应用。他通过结合机器学习、多尺度建模方法、高性能计算,有效解决了计算化学、分子动力学模拟等方向中的一系列关键问题,跨过了很多传统思路和单一科研视角的局限。
 
2019年11月19日,美国计算机协会ACM公布2020年戈登贝尔奖的颁奖结果,深势科技团队的核心成员即获得该奖项,相关工作也当选2020年中国十大科技进展。戈登贝尔奖素有超算界诺贝尔奖的美誉。研究团队通过机器学习将分子动力学极限从基线提升到了1亿原子的惊人数量,同时仍保证了从头算的高精度,效率是之前人类基线水平的1000 倍。
 
据介绍,深势科技致力于解决的微尺度工业设计,是指通过在电子、原子、分子尺度进行组分与结构设计,从而实现特定物理、化学性质的工业设计。很多微观性质预测的本质需求是精确求解原子间相互作用,描述原子间相互作用的关键物理量是原子间的势能面。
 
对此,长期以来人们面临着精度和效率不可兼得的困局:基于经验立场的方法快而不准,基于量子力学的方法准而不快。且传统的量子力学模型尽管模拟精度高,但会随着模拟规模的指数级增加而陷入“维数灾难”,仅能实现几十到几百个原子体系的建模,难以支撑药物、材料研究所需的数万乃至数百万级原子规模体系的模拟。
 
深势科技首创革命性的“多尺度建模+机器学习+高性能计算”新范式,突破性地实现了多尺度分子模拟中精度与效率的统一,最具代表性的DeePMD方法在保持量子力学精度的基础上,将分子动力学的计算速度提升了令人惊叹的至少五个数量级。简单来说,就是相比于传统的量子力学计算工具,在相同精度前提下,极大地提升了物理方程的求解效率,从而极大地拓展了人类使用计算机模拟客观物理世界的能力。
 
实际上,在今年7月的2021世界人工智能大会全体会议期间,鄂维南在演讲中也阐述过相关工作。他表示,“我认为重要的不是Gordon-Bell Prize(戈登贝尔奖),而是说我们第一次看到把机器学习、科学计算和高性能计算这三大最主要的工具结合在一起,我们有多么大的空间可以实现。”
 
鄂维南提到,用计算方法来解决问题已经成了一个很重要的工具,可以说是现代工业和技术赖以生存的基础。但同时强调,我们仍然有很多问题没有得到解决,“比方说材料的性质与设计,分子、药物的分子与设计,这些远远没有得到解决,基于基本原理的控制方法也没得到解决。”造成的结果则是,“做理论的人、做实验的人和做实际场景这三个团体差得非常远,理论化学、实验室的化学和实际工业应用的化学,这些场景差距很远。”
 
这些问题困难在哪里?鄂维南总结它们都有一个共同的根源,就是所谓的“维数灾难”,也就是它依赖的变量太多了。“维数灾难是什么意思?就是随着变量的个数或者维数的增加,计算复杂度是指数增加的。从数学上来讲,它也有一个基本的困难,也就是多项式在高维不是一个有效的工具。”
 
鄂维南提出,能解开这一困局的或许正是深度学习。他在现场通过最简单的图像识别以及公众熟知的AlphaGo举例称,神经网络可以帮助我们来有效地表示或者是逼近高维空间的函数,多项式不行,而深度神经网络是一个有效的替代品。“所以说在最基本的层面,我们有了一个全新的非常有效的工具,它带来的影响是巨大的。”
 
他当时总结称,从科学的角度来说,机器学习在科学和科学计算领域的应用,可以带来新的计算方法,新的科学模型,新的实验方法,新的产业业态。

  声明:文章大多转自网络,旨在更广泛的传播。本文仅代表作者个人观点,与美国新闻网无关。其原创性以及文中陈述文字和内容未经本站证实,对本文以及其中全部或者部分内容、文字的真实性、完整性、及时性本站不作任何保证或承诺,请读者仅作参考,并请自行核实相关内容。如有稿件内容、版权等问题请联系删除。联系邮箱:uscntv@outlook.com。

上一篇:这颗恒星为何一度突然变暗?中国科学家找到新证据
下一篇:李国杰院士:国内AI研究“顶不了天、落不了地”,该想想了

热点新闻

重要通知

服务之窗

关于我们| 联系我们| 广告服务| 供稿服务| 法律声明| 招聘信息| 网站地图

本网站所刊载信息,不代表美国新闻网的立场和观点。 刊用本网站稿件,务经书面授权。

美国新闻网由欧洲华文电视台美国站主办 www.uscntv.com

[部分稿件来源于网络,如有侵权请及时联系我们] [邮箱:uscntv@outlook.com]